高效處理日均5000億+資料：58集團基於Apache SeaTunnel的資料整合平臺架構最佳化

影片連結：58集團大資料平臺基於Apache SeaTunnel的架構演進
https://www.bilibili.com/video/BV19GUPYcEgB/?vd_source=e139ecc995ab936267a7991b9de55f6c

引言

在數字化時代，資料已成為企業最寶貴的資產之一。58集團作為中國領先的生活服務平臺，其大資料部在資料整合平臺的建設上不斷探索與創新。本文將詳細介紹58集團基於Apache SeaTunnel的資料整合平臺的架構演進、最佳化策略以及未來規劃。

資料整合平臺的背景與挑戰

業務背景

58集團業務廣泛，隨著業務的快速發展，來自招聘、房產、二手房、二手市場、本地服務和資訊保安等業務領域的資料規模大幅上漲，58集團需要打通不同資料來源之間的資料流動和匯聚，實現資料的統一管理、流轉和共享。這不僅涉及到資料的收集、分發和儲存，還包括離線計算、跨叢集同步和使用者畫像等應用場景。

目前，58集團日均處理訊息數量達到5000億+，峰值處理訊息數達2000萬+，任務數達1600+。處理如此大規模的資料量，58集團面臨著巨大的挑戰。

挑戰

在打通不同資料來源之間的資料流動和匯聚，實現資料的統一管理、流轉和共享的過程中，58集團面臨的挑戰包括：

• 高可靠性：確保在各種故障情況下資料不丟失，保障資料一致性和任務的穩定執行。
• 高吞吐量：處理大規模資料流，實現高併發和大批次資料傳輸。
• 低延遲：滿足實時資料處理和快速響應的業務需求。
• 易維護性：簡化配置和自動化監控，減輕維護負擔，便於快速發現和解決故障，確保系統的長期可用性。

架構演進之路

58集團資料整合平臺的架構經歷了多次演進，以適應不斷變化的業務需求和技術發展。

早期架構一覽

• 2017年：使用Flume進行平臺整合管理。
• 2018年：引入Kafka Connect 1.0。
• 2020年：使用Kafka Connect 2.4版本，實現增量負載均衡和CDC（Change Data Capture）。
• 2023年：引入Apache SeaTunnel，整合到實時計算平臺，擴充套件各種Source/Sink。

2017年-2018年，58集團資料整合平臺採用了Kafka Connect架構，基於Kafka的資料整合，擴充套件性和分散式處理以橫向擴充套件的方式進行，支援在多節點上執行Worker和Task；Worker故障時自動將任務重新分配到其他Worker，可實現高可用；同時可進行自動化的偏移量管理，以及Rest API的任務和配置管理。

然而，隨著業務量的擴充套件和場景多樣化，這套架構陷入了瓶頸：

1. 架構限制

• 做不到端到端的資料整合
  2. 協調者的瓶頸問題
• 心跳超時：worker與協調者之間的心跳超時，會觸發任務重新平衡，導致任務暫時中斷。
• 心跳壓力： worker與協調者進行心跳同步，協調者跟蹤worker狀態，管理大量任務的狀態後設資料。
• 協調者失敗：協調者當機會影響任務的分配和重新分配，造成任務失敗和 處理效率下降。
  3. 任務重分配 (Rebalance) 的影響
• 任務暫停和恢復：每次重新分配任務時，會暫停任務，然後重新分配，導致短暫的任務中斷。
• Rebalance 風暴：如果多個worker節點頻繁加入或退出叢集，或者因為網路抖動導致心跳超時，
  可能會引發頻繁的 Rebalance，從而大幅影響任務處理效率，導致延遲。

鑑於這樣的缺陷，58集團在2013年引入了Apache SeaTunnel，整合到實時計算平臺，實現了自由擴充套件各種Source/Sink。

當前架構

當前，58集團基於Apache SeaTunnel引擎，將Source資料來源（Kafka、Pulsar、WMB、Hive等），經過SeaTunnel自帶的Transform功能，Sink到目的資料庫（Hive、HDFS、Kafka、pulsar、wmb、MySQL、SR、Redis、HBASE、Wtable、MongoDB等），實現了高效的任務管理、狀態管理、任務監控、智慧診斷等功能。

平滑遷移和效能調優

平滑遷移

引入Apache SeaTunnel時，58集團需要對資料整合平臺進行平滑遷移，以減少對使用者或業務的影響，並保證資料的一致性，做到格式一致、路徑一致和資料不丟失。

這個目標讓58集團面臨著挑戰，需要應對遷移的成本和風險
，如瞭解和確認每個任務資料來源格式，以及遷移涉及多個步驟，複雜且耗時長。

為此，58集團採取了以下措施：

1. 對於源，增加RawDeserializationSchema，相容非結構化資料
2. 對於目的地，例如hive使用hdfs sink，相容分割槽載入和路徑
3. 開發自動遷移工具
   • 自動生成任務配置，根據kafka connect配置生成對應的seatunnel任務配置
   • 下掉原任務，重置offset，啟動新任務
   • 驗證和檢查

效能調優

58集團還對資料整合平臺進行了多項效能最佳化，包括：

• 增加Pulsar Sink Connector：提高吞吐量。
• 支援陣列資料：增強HbaseSink的相容性。
• 支援設定過期時間：最佳化RedisSink。
• 提高PulsarSource吞吐量：最佳化檔案聯結器的壓縮方式。
• 修復KafkaSource的解析問題：提高Kafka客戶端的配置靈活性。

監控和運維自動化

此外，58集團還透過監控和運維自動化來提高資料整合平臺的穩定性和效率：

• 任務監控：實時監控任務狀態，快速發現並解決故障。

• 運維自動化：透過自動化工具減少人工干預，提高運維效率。

後續規劃

58集團對資料整合平臺的未來發展有著明確的規劃：

• 持續完善智慧診斷能力：透過機器學習和人工智慧技術，提高故障診斷的準確性和效率。
• 上雲和容器化升級：將資料整合平臺遷移到雲環境，實現容器化部署，提高資源利用率和靈活性。

結語

58資料整合平臺的架構演進和最佳化是一個不斷迭代和創新的過程。透過不斷的技術探索和實踐，58集團成功構建了一個基於Apache SeaTunnel的高效、穩定、可擴充套件的資料整合平臺，為業務發展提供了強有力的資料支援。未來，58集團將繼續在資料整合領域深耕，為使用者提供更優質的服務。

本文由 白鯨開源 提供釋出支援！